Метод, модели и технические средства для неинвазивного анализа биоматериалов на основе многочастотной импедансометрии и нейросетевого моделирования

• Автор: Кассим Кабус Дерхим Али
• Шифр специальности: 05.11.17
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Курск
• Количество страниц: 152 с. : ил.

СОДЕРЖАНИЕ

СПИСОК СОКРАЩЕНИЙ

ВВЕДЕНИЕ
ГЛАВА 1. МЕТОДЫ И СРЕДСТВА ИССЛЕДОВАНИЯ ПАССИВНЫХ ЭЛЕКТРИЧЕСКИХ СВОЙСТВ БИОМАТЕРИАЛОВ

1.1. Неинвазивные методы многочастотного зондирования

1.2. Инвазивные методы многочастотного зондирования

1.3. Методы разделения получаемой информации на полезную и помехи

1.4. Методы синтеза пространства информативных признаков

1.5. Параметрические и не параметрические модели ПЭС биоматериалов

1.6. Сравнительная характеристика методов и моделей, используемых при анализе и классификации ПЭС биоматериалов
1.7. Нейросетевое моделирование ПЭС биоматериалов
1.8. Цели и задачи исследования
ГЛАВА 2. РАЗРАБОТКА И ИССЛЕДОВАНИЕ СПОСОБОВ МОДЕЛИРОВАНИЯ МНОГОЧАСТОТНОГО ИМПЕДАНСА
БИОМАТЕРИАЛОВ
2.1. Непараметрическая модель биоимпеданса на основе многочастотпых исследований
2.2. Параметрическая модель базовой составляющей биоимпеданса для идентификации функционального состояния живой системы
2.3. Модель на основе ..рекурсивного разложения динамической составляющей биоимпеданса в биотехнических системах контроля общих инфекций
2.4. Выводы второй главы
ГЛАВА 3. РАЗРАБОТКА НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ПО КЛАССИФИКАЦИИ БИОМАТЕРИАЛОВ В ЭКСПЕРИМЕНТАХ IN VIVO

НЛ ОСНОВЕ МНОГОЧАСТОТНЫХ БИОИМПЕДАНСЕ1ЫХ
ИССЛЕДОВАНИЙ
ЗЛ. Разработка структурно - функциональной организации нейронных сетей для классификации биоматериалов по результатам анализа динамической составляющей биоимпеданса
3.2. Разработка алгоритма настройки гибридной нейронной сети.
3.3. Формирование структуры и модели принятия решений
3.4. Выводы третьей главы
ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ
ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ НЕИНВАЗИВНОГО АНАЛИЗА БИОМАТЕРИАЛОВ НА ОСНОВЕ МНОГОЧАСТОТНОЙ
БИОИМПЕДАНСОМЕТРИИ
4.1. Разработка устройства для многочастотной биоимпедансометрии
4.2. Исследование информационных технологий диагностики инфекционных заболеваний на основе биохимическоих показателей анализа крови
4.2.1. Диагностика инфекционных заболеваний по показателям биохимических исследований с помощью пакета дискриминантного анализа
4.2.2. Диагностика инфекционных заболеваний на основе биохимических исследований с использованием многослойной нейронной сети.
4.3. Диагностика инфекционных заболеваний на основе информационных технологий многочастотной биоимпедансометрии
4.4. Выводы четвертой главы
ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
ПРИЛОЖЕНИЯ
СПИСОК СОКРАЩЕНИЙ
АЫХ взвешенный регрессионный анализ
АІШАХ авторегрессионные модели с распределенными лагами
АБО алгоритм вычисления оценок
АР авторегрессия
АЧХ амплитудно-частотная характеристи ка
БА биоимпедансный анализ
ДС диагностическая специфичность
ДЧ диагностическая чувствительность
ДЭ диагностическая эффективность
ИБС ишемическая болезнь сердца
ИМ инфаркт миокарда
ИО истина отрицательна
ИП истина положительна
КН коэффициент надежности
КУ коэффициент уверенности
ло ложь отрицательна
лп ложь положительна
ЛПР лицо, принимающее решение
МГУ А метод группового учета аргумента
мд мера доверия
мнд мера недоверия
мок минутный объем крови
не нейронная сеть
пмд пассивный многоэлементный двухполюсник
ПЭС пассивные электрические свойства
РБНС радиально-базисная нейронная сеть
СУБД системой управления базой данных
УВ ударный выброс сердца

к тому или иному распознаваемому классу и условным плотностям распределения значений вектора признаков. Данные методы сводятся к определению отношения правдоподобия в различных областях многомерного пространства признаков. Байесовский подход к принятию решений и относится к наиболее разработанным в современной статистике так называемым параметрическим методам, для которых считается известным аналитическое выражение закона распределения (в данном случае нормальный закон) и требуется оценить небольшое количество параметров (средние значения и ковариационные матрицы).
В методах, основанных на предположении о классе решающей функции считается известным общий вид решающей функции и задан функционал ее качества. На основании этого функционала по обучающей последовательности ищется наилучшее приближение решающей функции [57]. Самыми распространенными являются представления решающих функций в виде линейных и обобщенных нелинейных полиномов. Функционал качества решающего правила обычно связывают с ошибкой классификации.
Алгоритмы эвристического программирования не имеют строгого математического обоснования сходимости, но в некоторых случаях могут обеспечить достаточное качество решающего правила. Эволюционное моделирование является бионическим методом, заимствованным у природы. Оно основано на использовании известных механизмов эволюции с целью замены процесса содержательного моделирования сложного объекта феноменологическим моделированием его эволюции. В алгоритмах метода группового учета аргументов (МГУА) [19] особым образом синтезируются и отбираются члены обобщенного полинома, который часто называют полиномом Колмогорова-Габора. Проверка качества отдельных решающих функций осуществляется на контрольной (проверочной) выборке, что иногда